Résumé technique : Classification de familles de malwares à l'échelle utilisant l'apprentissage automatique basé sur des noyaux quantiques

Énoncé du problème

La classification des familles de malwares est une tâche critique en cybersécurité, essentielle pour l'attribution des menaces, l'analyse de lignée et le développement de stratégies de défense. Cependant, la tâche est devenue de plus en plus difficile en raison de la prolifération rapide des variantes de malwares, de l'offuscation généralisée, du packing et des techniques de génération automatisée. Ces facteurs entraînent une forte similitude structurelle inter-familles et un polymorphisme, mettant au défi les modèles d'apprentissage automatique classiques.

Les approches classiques existantes, incluant les classifieurs linéaires, les modèles basés sur des arbres et l'apprentissage profond (deep learning), font face à des limitations spécifiques dans des contextes multiclasses à grande échelle :

• Expressivité : Les caractéristiques faites à la main échouent souvent à capturer les subtiles relations non linéaires entre les familles de malwares.
• Scalabilité : Les modèles d'apprentissage profond nécessitent de vastes quantités de données étiquetées et des ressources de calcul importantes, ce qui conduit souvent à une interprétabilité réduite.
• Déséquilibre des classes et similitude : Un déséquilibre prononcé des classes et un chevauchement structurel limitent les capacités de généralisation des modèles classiques.
• Limitations Quantiques : Bien que l'apprentissage automatique quantique (QML) offre un potentiel via des plongements dans un espace de Hilbert de haute dimension, la recherche actuelle est souvent restreinte à la classification binaire, à des jeux de données de petite taille ou à des données synthétiques. De plus, la construction de matrices de noyaux quantiques complets évolue de manière quadratique ($O(N^2)$) par rapport au nombre d'échantillons, rendant l'application directe à de vastes répertoires de malwares informatiquement impraticable.

Méthodologie

Les auteurs proposent un cadre d'apprentissage automatique basé sur des noyaux quantiques (QKML) évolutif, conçu pour répondre aux contraintes de précision et d'efficacité de la classification multiclasse de malwares. Le cadre intègre quatre composantes primaires :

1. Construction du jeu de données et représentation des caractéristiques

L'étude utilise un jeu de données à grande échelle (QLCD) comprenant 18 836 échantillons répartis en 23 familles de malwares (incluant 22 familles malveillantes et une classe bénigne).

• Extraction de caractéristiques : Les caractéristiques structurelles statiques sont extraites des fichiers exécutables portables (PE), incluant l'entropie du fichier, les statistiques de sections et les ratios entre tailles virtuelles et brutes. Les attributs catégoriels (ex: type de machine, packer) sont encodés par one-hot encoding.
• Prétraitement : Les caractéristiques subissent une normalisation Z-score et une imputation de la médiane pour les valeurs manquantes. Les familles ayant moins de 50 échantillons sont exclues pour garantir un apprentissage multiclasse fiable.

2. Projection de caractéristiques supervisée (LDA)

Pour atténuer la croissance exponentielle de la complexité des circuits quantiques avec la dimension d'entrée et le nombre limité de qubits disponibles, le cadre emploie l'Analyse Discriminante Linéaire (LDA) comme étape de réduction de dimension supervisée.

• La LDA projette les vecteurs de caractéristiques de haute dimension dans un sous-espace de faible dimension conscient des classes de dimension $k \le C-1$ (où $C$ est le nombre de classes).
• Cette étape maximise la séparabilité entre les classes tout en minimisant la variance intra-classe, créant une représentation compacte adaptée à l'encodage quantique.

3. Construction du noyau quantique

Les vecteurs de caractéristiques projetés sont encodés dans des états quantiques à l'aide d'une carte de caractéristiques quantiques paramétrée (un circuit quantique paramétré, PQC).

• Encodage : Les caractéristiques sont mappées sur des angles de rotation (ex: portes $R_Y$) sur $n$ qubits.
• Définition du noyau : Le noyau quantique est défini par la fidélité au carré entre deux états quantiques : $K(z_i, z_j) = |\langle \phi(z_i) | \phi(z_j) \rangle|^2$. Ce noyau basé sur la fidélité capture des similitudes non linéaires que les noyaux classiques pourraient manquer.

4. Approximation de noyau évolutive (Méthode de Nyström)

Pour surmonter le goulot d'étranglement computationnel de $O(N^2)$ de la construction d'un noyau complet, les auteurs emploient l'approximation de Nyström.

• Sélection de points de repère (Landmarks) : Un sous-ensemble de $M$ échantillons de référence ($M \ll N$) est sélectionné à partir de l'ensemble d'entraînement.
• Approximation de rang faible : La matrice de noyau complète est approximée à l'aide de sous-matrices dérivées des points de repère. Cela permet la construction d'une représentation explicite de faible dimension $\psi(z_i)$ pour tous les échantillons.
• Classification : Un modèle de régression Ridge classique est entraîné sur ces caractéristiques approximées par Nyström pour effectuer la classification multiclasse. Cette approche permet d'apprendre de l'ensemble du jeu de données sans biais de sous-échantillonnage, réduisant la complexité dominante à $O(NM)$.

Principales contributions

Le papier expose quatre contributions majeures :

1. Cadre QKML évolutif : Un nouveau pipeline combinant des noyaux quantiques basés sur la fidélité et la projection LDA supervisée pour permettre une réduction de dimension consciente des classes et améliorer le pouvoir discriminant.
2. Approximation de Nyström pour les noyaux quantiques : Une méthode pour construire une représentation de rang faible du noyau quantique en utilisant des échantillons de référence. Cela permet l'entraînement sur l'ensemble du jeu de données sans biais de sous-échantillonnage tout en réduisant considérablement le nombre d'évaluations de fidélité quantique requises.
3. Jeu de données réel à grande échelle : La curation et le prétraitement du jeu de données QLCD, contenant 18 836 échantillons de 23 familles, spécifiquement conçu pour évaluer le QML dans des scénarios de cybersécurité multiclasses réalistes.
4. Validation empirique : Des expériences exhaustives démontrant que le cadre proposé surpasse les bases de référence de l'apprentissage automatique classique sous des partitions de données et de caractéristiques identiques, atteignant une précision de 80,88 %.

Résultats expérimentaux

Les expériences ont été menées sur un simulateur quantique basé sur l'état vectoriel (statevector) via un pipeline hybride classique-quantique.

• Performance vs Baselines : Le cadre QKML proposé a atteint 80,88 % de précision, surpassant les bases de référence classiques incluant la Régression Softmax (52,79 %), le SVM Linéaire (78,73 %), le KNN (79,56 %) et le Naive Bayes Gaussien (58,44 %).
• Études d'ablation :
  • Projection : Le remplacement de la LDA supervisée par la SVD non supervisée a réduit la précision de 80,88 % à 78,83 %, confirmant la valeur d'une projection sensible aux étiquettes.
  • Points de repère (Landmarks) : La précision est passée d'environ 74 % (1 000 landmarks) à environ 81,8 % (8 000 landmarks), montrant des rendements décroissants au-delà de $M=8000$.
  • Profondeur de circuit : L'augmentation des répétitions de circuit ($L$) et du nombre de qubits ($n$) a généralement amélioré les performances, avec les meilleurs résultats à $n=8, L=4$.
• Performance par classe : Le modèle a démontré une forte performance sur les familles majeures (ex: Mediyes F1=0,988, Winwebsec F1=0,986) et la classe bénigne (F1=0,774). La performance était plus faible pour les classes minoritaires présentant une forte similitude structurelle (ex: LockBit, LokiBot), ce qui est cohérent avec les défis connus de la classification de malwares.
• Efficacité :
  • Temps d'exécution : Le pipeline quantique a terminé l'entraînement en 426,58 secondes, ce qui est nettement plus rapide que les bases de référence classiques comme le KNN (830s) et le GaussianNB (1161s).
  • Coût computationnel : Le modèle quantique a nécessité des ordres de grandeur de moins d'opérations (proxys de portes et de vecteurs d'état) par rapport aux modèles classiques, suggérant des avantages potentiels en termes d'efficacité énergétique.
  • Scalabilité : Une configuration "Quantum-Lite" (moins de qubits et de landmarks) a atteint 74,82 % de précision avec une accélération de 5,5x, démontrant une mise à l'échelle efficiente des ressources.

Signification et affirmations

Les auteurs affirment que ce travail comble le fossé entre l'expressivité théorique des méthodes de noyaux quantiques et les exigences de scalabilité pratique de l'analyse de malwares réelle.

• Avantage mesurable : L'étude démontre que les techniques de noyaux quantiques évolutives peuvent offrir des avantages de performance mesurables (précision plus élevée et perte plus faible) par rapport aux bases de référence classiques dans des tâches de cybersécurité multiclasses complexes.
• Faisabilité pratique : En intégrant l'approximation de Nyström et la projection supervisée, le cadre permet l'utilisation de l'ensemble des données d'entraînement disponibles sans le coût quadratique prohibitif de la construction d'un noyau complet, ce qui le rend adapté aux répertoires à grande échelle.
• Direction future : Ce papier positionne ce travail comme une étape pratique vers l'intégration de l'apprentissage assisté par le quantique dans les pipelines opérationnels d'analyse de malwares, particulièrement pour les dispositifs quantiques de l'ère NISQ (Noisy Intermediate-Scale Quantum) et les flux de travail hybrides.

Limitations notées par les auteurs :
Les auteurs déclarent explicitement que l'évaluation repose sur un simulateur quantique classique plutôt que sur du matériel réel, ce qui signifie que les effets de bruit et de décohérence ne sont pas capturés. De plus, bien que l'approximation de Nyström améliore la scalabilité, le coût de la préparation des états augmente toujours avec le nombre de qubits et la profondeur du circuit, et l'implémentation actuelle n'est pas encore déployée dans un environnement de streaming en temps réel.